ABMN working papers

Read six July 2026 ABMN working papers covering the model-family contract, NER, classification, reranking, lexical retrieval, and one generalisation test.

Six July 2026 ABMN working papers. Each record links authors, abstract and topics; the draft is released on request.

Adaptive Binary Memory Networks

Category
Model family
Authors
Dweve
Draft date

A model family that compiles learning into one artifact: byte-identical on every architecture, with no seeding, and replayable wherever it runs.

Abstract: Adaptive Binary Memory Networks (ABMN) ask a narrow question: can a learned model be fully and truly deterministic on every architecture, with no seeding involved, and does that property survive a change of task? The family answers with a contract rather than a tolerance. ABMNs do not compress or quantize a trained network, they compile it. One build produces the artifact, that artifact is byte identical wherever it is built, and it replays the same decisions on every host that opens it. What is deployed is the model itself, not a floating point checkpoint identified within a numerical error bound. This paper states the contract, the evidence a build has to carry and the limits of what it covers, then holds it across sequence labelling, classification, retrieval reranking and lexical retrieval, and carries it to a structurally different logical learner.

Topics: Deterministic machine learning, Reproducible builds, Cross-architecture portability, Compiled models, Deployment contracts

Read the summary

ABMN-NER

Category
Sequence labelling
Authors
Dweve
Draft date

Deterministic named entity recognition, compiled rather than compressed, and byte-identical on every architecture.

Abstract: ABMN-NER asks whether the ABMN build contract holds for sequence labelling, where every decision depends on the tokens around it and a small difference propagates along the sentence. The terms are the ones the family paper sets out. Nothing is compressed or quantized: learning is compiled into one deployed artifact, that artifact is byte identical on every architecture with no seeding involved, and decoding is exact rather than approximate, so the same text replays the same labelled sequence on any host that opens it. Figures are reported per dataset and per host. On CoNLL-2003, on an Intel i9, the artifact reaches 91.24% F1 and tags 606,000 tokens per second. Further datasets and benchmarks are reported in the paper itself.

Topics: Named entity recognition, Sequence labelling, CoNLL-2003, Deterministic inference, CPU throughput

Read the summary

ABMN-Classification

Category
Text classification
Authors
Dweve
Draft date

Supervised text classification compiled into one artifact: byte-identical across ARM and x86, with no seeding and nothing quantized.

Abstract: ABMN-Classification asks what the build contract costs on ordinary supervised text classification, and whether it survives a change of instruction set. Learning is compiled rather than compressed or quantized: the deployed artifact is the model, one build produces it with no seeding involved, and it replays the same predictions wherever it is opened. Independent builds of all eleven tasks produced byte identical artifacts and identical prediction streams across ARM and x86. Measurements are per dataset and per host. On DBpedia-14, on an Intel i9, the artifact reaches 98.89% accuracy and 98.89% macro F1; on IMDb, on the same host, it sustains 90.75 million tokens per second at 1.38 microjoules per token. The full set of datasets and benchmarks appears in the paper.

Topics: Text classification, MASSIVE, DBpedia-14, Cross-architecture reproducibility, Energy per token

Read the summary

ABMN-Ranking

Category
Information retrieval
Authors
Dweve
Draft date

Deterministic candidate reranking compiled into one artifact, with no dense model in the hot path and the same ordering on every host.

Abstract: ABMN-Ranking asks whether the build contract reaches a stage that is normally served by a dense model: reranking a candidate list. It does not compress or quantize such a model, it replaces the stage with a compiled artifact, so no dense vector or transformer inference runs in the hot path and scoring is exact integer work. One build produces the artifact, no seeding is involved, and the same query returns the same ordering on every architecture that opens it. Figures are per dataset and per host. On SciFact, on an Intel i9, the artifact reaches 0.809 nDCG@10 at 14,059 queries per second, which is 593 microseconds per query. Additional datasets and benchmarks are set out in the paper.

Topics: Retrieval reranking, Search relevance, SciFact, Query latency, Deterministic ranking

Read the summary

ABMN-Relevance

Category
Lexical retrieval
Authors
Dweve
Draft date

Corpus-adaptive lexical retrieval compiled into one artifact, deterministic and identical across architectures without seeding.

Abstract: ABMN-Relevance asks whether the build contract reaches the retrieval stage itself, where the corpus rather than a training run decides what the deployed model contains. The index is compiled into one artifact rather than compressed or quantized, and retrieval over it is deterministic: no seeding is involved, and the same artifact replays the same ranking on every host and every architecture it is opened on. Against a tantivy BM25 baseline over the same collection it returns better ranked results and serves them faster, from a smaller index and a lower resident memory footprint. The measured numbers are held back until the paper publishes. What is claimed here is the contract, and that a lexical retrieval index can be held to it.

Topics: Lexical retrieval, Search indexing, MS MARCO, Index footprint, Replayable retrieval

Read the summary

ABMN-Tsetlin

Category
Logical learning
Authors
Dweve
Draft date

Reproducible binary model compilation carried beyond associative classification to a structurally different logical learner.

Abstract: ABMN-Tsetlin asks whether the build contract is a property of one model family or of the approach behind it. It takes a structurally different logical learner, trained by a different rule, and holds it to the same terms. The trained Tsetlin machine is compiled into one deployed artifact rather than compressed or quantized. Across five image and text tasks that artifact came out byte identical on every architecture, with no seeding involved, and replays the same decisions wherever it is opened. Results are recorded per dataset and per host. On MNIST, on an Intel i9, it reaches 97.61% accuracy from a 40.4 KiB artifact. The paper carries the remaining datasets and benchmark tables.

Topics: Tsetlin machines, Logical learning, MNIST, Image classification, Per-host evidence

Read the summary

These are working drafts. The repository does not establish a journal, conference, or peer-review outcome.

Sem publicação revista ou revisão por pares reivindicada

Investigação Dweve · Documentos de trabalho

Os documentos ABMN explicam uma abordagem para construir sistemas de IA compactos e repetíveis. Comece pelo documento da família e depois siga a tarefa que lhe interessar. Estes são rascunhos de trabalho de julho de 2026, não alegações de publicação revista por pares. Existem para mostrar que a determinação total é alcançável e se mantém em diferentes tipos de tarefa, não para perseguir as melhores pontuações. Os repositórios são publicados com os documentos.

Seis documentos de trabalho ABMN definem o contrato da família, as estruturas de memória específicas da tarefa, os resultados medidos e as limitações declaradas. O registo separa a evidência de rascunho de qualquer alegação de aceitação externa. O objetivo é demonstrar que a determinação total é alcançável e generaliza entre tipos de tarefa, em vez de reivindicar resultados de última geração. Os repositórios são publicados com os documentos.

Investigação Dweve · Conjunto de trabalho ABMN

Os seis rascunhos de julho de 2026 descrevem o contrato da família ABMN, quatro instanciações específicas de tarefa e um teste de generalização que aplica o mesmo contrato de construção a um aprendiz lógico. Cada registo inclui o resumo, o esboço de secções, as medições e as limitações declaradas. O conjunto existe para provar que a determinação total é alcançável e generaliza entre tipos de tarefa, sem divulgar o trabalho proprietário por trás dele. Os repositórios são publicados com os documentos.

Cada cartão dá-lhe a pergunta, o assunto e um resumo do documento. Os títulos permanecem exatamente como aparecem nos documentos de origem. São seis, todos datados de julho de 2026. O rascunho completo está com revisores externos, por isso peça-o através do formulário de contacto e nós libertamo-lo assim que aprovarmos o pedido.

Use esta prateleira como registo de revisão. Contém o conjunto de trabalho ABMN atual completo e não mistura brochuras de produtos ou documentos de setores não suportados. Seis títulos têm uma data de rascunho e dois autores nomeados, para que uma revisão possa começar pelo registo em vez de uma pesquisa. Os rascunhos são libertados a pedido.

O documento da família define o contrato partilhado. Quatro documentos complementares instanciam-no para NER, classificação, reordenação e recuperação lexical, e um sexto pergunta se o mesmo contrato de construção se mantém para um aprendiz estruturalmente diferente. Todos os seis têm a mesma data de rascunho. O resumo permanece público; o rascunho é libertado a pedido.

Um documento de família, quatro documentos de tarefa, um teste de generalização

Todos os seis documentos de origem têm esta data

Não precisa de ler todos os seis. O documento da família fornece o mapa, os documentos de tarefa mostram como o mesmo padrão muda para nomes, rótulos e pesquisa, e o último pergunta se o padrão sobrevive a um tipo diferente de aprendiz. A ordem abaixo vai do contrato para as tarefas e depois para a recuperação, mas é uma sugestão em vez de uma classificação, e qualquer documento individual é autossuficiente. Se só ler um, leia o documento da família, porque os restantes assumem a forma que ele descreve.

Reveja o contrato da família antes de comparar os resultados das tarefas. Evita que um benchmark seja confundido com uma garantia a nível do sistema. A sequência vai do contrato da família para os documentos das tarefas, depois para os dois documentos de recuperação e, por último, para o teste de generalização. É uma orientação editorial e não uma classificação de maturidade, e qualquer um dos seis pode ser lido isoladamente depois de o contrato ser compreendido.

Leia primeiro a definição da família e depois compare como cada tarefa gere a sua memória, o seu limite de construção e o seu registo de evidências. A sequência é contrato, documentos das tarefas, documentos de recuperação, teste de generalização. Ordena a leitura, não a maturidade, e cada documento indica o âmbito que as suas próprias medições cobrem. O documento da família é o único do qual os outros dependem, por isso é o primeiro a ler se ler apenas um.

Definições, fases de construção e quatro organizações de memória

Reordenação por ponte e indexação adaptativa ao corpus

A sequência é orientação editorial, não uma classificação de maturidade.

Veja como os seis documentos se encaixam antes de escolher uma tarefa.

Siga um sistema compacto que encontra nomes e locais com descodificação estruturada exata.

Veja como um classificador de texto pode tornar-se uma compilação binária reproduzível.

Inspecione a reordenação de pesquisa sem um modelo denso no caminho da consulta.

Inspecione a recuperação lexical com pontuação determinística.

Estabeleça o contrato partilhado da família de modelos e os seus limites de evidência.

Revise em conjunto a qualidade reportada, a pegada, o débito e as limitações de NER.

Revise a afirmação de artefacto entre arquiteturas e de identidade de previsão.

Revise o caminho de reordenação por memória-ponte medido no SciFact e no NF-Corpus.

Revise o caminho de serviço adaptativo ao corpus e as suas medições no MS MARCO.

Defina aprender, remover, executar e as quatro organizações de memória pertencentes às tarefas.

Trace a rotulagem de sequências de uma compilação até à descodificação exata.

Trace a classificação de texto até a artefactos byte-idênticos em ARM e x86.

Trace átomos esparsos tipados até tabelas de ponte compiladas e reordenação por inteiros.

Trace a recuperação lexical da compilação do corpus até resultados top-k determinísticos.

Os documentos partilham um movimento básico: a aprendizagem prepara memória de tarefa compacta, o estado apenas de construção é removido e um procedimento fixo usa o resultado. Quatro temas cobrem o documento da família e os documentos das tarefas, e cada um pertence exatamente a um tema. O teste de generalização fica ao lado, perguntando se o mesmo movimento funciona com um tipo diferente de aprendiz.

O contrato partilhado é o ponto de comparação. A qualidade específica da tarefa e os números de sistemas permanecem locais ao documento e à avaliação que os reporta. Quatro temas cobrem o contrato da família e os documentos das tarefas, e cada um fica exatamente sob um tema. O teste de generalização é reportado separadamente, porque testa o contrato e não uma tarefa.

O contrato da família permanece estável enquanto a endereçagem, as regras de atualização e a descodificação diferem por tarefa. O mapa de temas mantém essas instanciações separadas, com quatro temas e exatamente um tema por documento de tarefa. O teste de generalização leva o contrato a um aprendiz estruturalmente diferente e reporta as suas evidências por anfitrião.

Reconhecimento de entidades nomeadas com descodificação estruturada exata

Um artefacto compilado, idêntico em todas as arquiteturas

Duas instanciações de recuperação distintas

Pode ler o que cada documento afirma e como foi testado, e pedir o rascunho por trás dele. Nenhuma dessas coisas significa que uma revista, conferência ou revisor independente aceitou o trabalho.

Trate os rascunhos como entradas para revisão. Aceitação externa, replicação independente e garantia de produção exigem as suas próprias evidências e não são afirmadas aqui.

Os métodos e as medições são apresentados nos rascunhos de origem. O seu âmbito, ambiente, linhas de base e limitações acompanham cada afirmação.

As seis entradas são documentos de trabalho datados de julho de 2026.

A data descreve o instantâneo do rascunho, não um evento de publicação.

Cada entrada tem um rascunho completo, e a Dweve disponibiliza-o mediante pedido.

Os rascunhos estão com revisores externos, pelo que nada é publicado aqui. Peça através do formulário de contacto e disponibilizamos o documento após aprovação.

Os resultados reportados pertencem à tarefa, ao conjunto de dados, à configuração e ao ambiente indicados no documento.

Um resultado num documento não é promovido a garantia para toda a família.

O repositório não estabelece um resultado de revista, conferência ou revisão por pares para estes rascunhos.

A biblioteca utiliza, por isso, linguagem de documento de trabalho em todo o conteúdo.

Identifique o instantâneo de julho de 2026

Leia os métodos e as limitações em conjunto

O estatuto de publicação ou revisão por pares só será indicado quando o repositório o suportar.

Este registo mostra a origem de cada título e como obter o próprio documento. Não há documentos extra escondidos atrás de nomes de marketing. Cada entrada indica um diretório de fontes, e o rascunho que esse diretório contém é o que enviamos quando o solicita.

Use o registo para verificar se a entrada da biblioteca, a rota de detalhe e o rascunho que disponibilizamos se referem ao mesmo documento de trabalho. Cada título indica um diretório de fontes autoritativo, pelo que uma alegação nesta página pode ser rastreada até ao documento que a suporta.

O registo liga cada slug canónico ao seu diretório de fontes autoritativo. As páginas de detalhe incluem o resumo, o esboço das secções e o estatuto indicado; o rascunho completo permanece com os revisores externos e é disponibilizado mediante pedido. Nenhuma entrada aparece aqui sem um diretório de fontes por trás, o que torna o registo verificável em vez de meramente afirmado.